III.4Клиентская поддержка и customer success

Gugugo-koen-7B-V1.1 — языковая модель семейства Llama, разработанная squarelike и дообученная на наборе sharegpt_deepl_ko_translation для перевода между корейским и английским языками. Для перевода используются отдельные шаблоны запросов KO→EN и EN→KO. Модель основана на Llama-2-ko-7b, содержит 6,7 млрд параметров и рассчитана на контекст до 2048 токенов. В репозитории представлены веса PyTorch и Safetensors; README также сообщает о поддержке GPTQ, AWQ и GGUF. Модель подходит для перевода предложений и текстовых фрагментов между корейским и английским. Лицензия — Apache-2.0. Карточка сообщает об обучении на одной GPU A6000 в течение 90 часов; качество на иных языковых парах, длинных текстах и специализированных тематиках не описано.

Voicelab/herbert-base-cased-sentiment — модель классификации тональности польского текста, построенная на архитектуре BERT. Она дообучена на базе allegro/herbert-base-cased на отзывах и собственных данных; размер модели — 151,6 млн параметров, контекст — до 514 токенов. Пример в карточке показывает, что модель относит позитивное высказывание к классу positive. Модель предназначена для определения тональности польских отзывов и других коротких текстов, например сообщений о событиях. Она работает с текстом и выдаёт метку класса. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — CC BY 4.0.

IndoBERT Halim MBG — модель классификации тональности комментариев в индонезийских социальных сетях на положительные и отрицательные. Карточка модели называет её бинарным классификатором; метаданные указывают архитектуру BERT с головой BertForSequenceClassification, библиотеку Transformers и 151,6 млн параметров. Модель принимает текст и выдаёт метку класса. Контекст — до 512 токенов. Модель подходит для анализа тональности индонезийских комментариев и мониторинга реакции аудитории в социальных сетях. Доступна под лицензией Apache-2.0.

IndoBERT-Sentiment-Analysis — дообученная модель классификации тональности текста на основе indobenchmark/indobert-base-p1, созданная сообществом crypter70 и обученная на наборе данных IndoNLU. Это модель BERT с примерно 151,6 млн параметров, принимающая текст и выдающая метку класса; контекст ограничен 512 токенами. В README указаны точность 0,9452 и F1 0,9451 на оценочной выборке. Модель предназначена для определения тональности индонезийских текстов. Доступна по лицензии MIT.

KoLlama2-7b — корейская инструкцияязычная языковая модель, созданная в рамках проекта KoLlama2 для улучшения работы Llama 2 с корейским языком. Эта версия дообучена методом LoRA на наборе инструкций kullm-v2, опубликованном лабораторией NLP & AI Университета Корё и исследовательским институтом HIAI. Модель относится к семейству Llama, содержит 6,6 млрд параметров и принимает текст, генерируя текст; максимальная длина контекста — 2048 токенов. Модель предназначена для диалоговых ответов и выполнения инструкций на корейском языке, при этом также поддерживает английский. Карточка описывает KoLlama2 как проект по изучению способов адаптации Llama 2 к корейскому языку и отмечает, что предыдущие попытки добиться удовлетворительных результатов на корейском имели ограничения. Использование базовой Llama 2 регулируется её лицензией; сведения о лицензии этой версии в предоставленных данных отсутствуют.

KordAI разработала Kord Translate ENTH V2 1.7B — компактную модель для двустороннего перевода между тайским и английским языками. Она основана на Qwen3-1.7B и дообучена с помощью LoRA; обучение использовало дистиллированные переводы без сохранения цепочек рассуждений. Модель имеет 1,7 млрд параметров, архитектуру Qwen3 и контекст до 40 960 токенов. Модель предназначена для перевода предложений и коротких текстов с английского на тайский и с тайского на английский. В оценке на FLORES devtest авторы сообщают о небольшом улучшении относительно исходной Qwen3-1.7B. Чекпойнт опубликован в формате safetensors под лицензией Apache-2.0. Обучающий набор содержал около 8 000 пар переводов, а оценка проводилась только на предложениях общего назначения. Поэтому качество может снижаться на длинных документах и разговорном тайском; модель уступает более крупным версиям семейства по абсолютному качеству перевода.

trinhkhng/linear_Merged_gpt2-medium_0.0 — слитая языковая модель на архитектуре GPT-2, созданная методом Linear с помощью mergekit. В объединении указаны /kaggle/working/gpt2-medium с весом 1,0 и /kaggle/working/debias_gpt2-medium с весом 0,0, поэтому по приведённой конфигурации результат фактически опирается на gpt2-medium. Модель предназначена для генерации текста по текстовому запросу. Она доступна в формате safetensors и рассчитана на контекст до 1024 токенов. В README указан токенизатор ComCom/gpt2-small. Сведения о конкретных языках применения и лицензии в предоставленных данных отсутствуют.

4yo1/llama_1 — трансформерная языковая модель семейства Llama, разработанная как дообучение для задач, связанных с набором данных 4yo1/llama3_test1. Она предназначена для перевода между английским и корейским языками; также метаданные отмечают возможность генерации текста и чат-интерфейс. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовый контекст длиной до 8192 токенов. Весовые файлы опубликованы в формате safetensors, для работы указана библиотека Transformers. Лицензия — MIT. Карточка описывает дообучение с небольшим числом дополнительных параметров, но не уточняет метод адаптации и не приводит оценок качества; данных о качестве перевода и пригодности для конкретных условий недостаточно.

Карточка модели longtermrisk/Llama-3.1-8B-german-city-names-first-third-v2-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-german-city-names-last-third-v2-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-second-third-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

weathermanj/llama3-40-layer — текстовая генеративная модель, созданная с помощью mergekit из слоёв meta-llama/Meta-Llama-3-8B-Instruct. При объединении методом passthrough взяты диапазоны слоёв [0, 20] и [12, 32], поэтому итоговая модель содержит 40 слоёв; веса представлены в формате safetensors, исходная конфигурация merge указывает на bfloat16. Модель предназначена для генерации текста и диалоговых ответов. Она основана на архитектуре Llama, имеет около 9,2 млрд параметров и контекст длиной до 8192 токенов. Метаданные указывают на возможность чата; описание базовой модели отмечает английский язык. Это экспериментальная производная модель: карточка описывает способ сборки, но не приводит сравнительных оценок качества или специализированных сценариев применения. Для использования и распространения следует учитывать лицензию базовой модели Meta-Llama-3-8B-Instruct.

ESarp/Llama-3-8B-AttackTree-DPO — дообученная ESarp модель семейства Llama для генерации текста и диалогов. Она основана на unsloth/llama-3-8b-instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Карточка указывает английский язык; лицензия — Apache-2.0. Модель подходит для диалоговой генерации текста. Карточка не описывает специальные возможности, связанные с названием AttackTree-DPO, поэтому их назначение и качество нельзя установить по доступным сведениям.

MawaredHR/Mawared_T3 — дообученная Daemontatox языковая модель на архитектуре Mistral, основанная на nazimali/mistral-7b-v0.3-instruct-arabic. Она предназначена для генерации текста и диалогового взаимодействия. Модель содержит 7,5 млрд параметров, имеет контекстное окно до 131 072 токенов и опубликована в формате safetensors. В карточке указано, что при обучении использовались Unsloth и TRL. Модель распространяется по лицензии Apache-2.0. В метаданных заявлен английский язык, а базовая модель предназначена для арабского; конкретные языковые возможности Mawared_T3 и её специализация сверх генерации текста не описаны.

Meta-Llama-3.1-8B-Instruct-English-to-French — дообученная разработчиком muzammil-eds плотная авторегрессионная языковая модель семейства Llama 3.1 с архитектурой LlamaForCausalLM. Она создана на основе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit и содержит около 7,5 млрд параметров; модель распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для генерации текста в диалоговом формате и, судя по названию, для преобразования текста с английского на французский. Её можно применять для перевода фраз, предложений и коротких текстов, задавая запрос в чате. В метаданных указан контекст до 131 072 токенов, однако отдельные результаты для перевода и качество на длинных текстах не приведены. Карточка сообщает о дообучении с использованием Unsloth и TRL, но не описывает обучающие данные, методику оценки или конкретные ограничения. Поддержка английского указана в метаданных; французский следует из назначения модели в названии, но явно в языковых тегах не отмечен.

Mistral-Instruct-Ukrainian-slerp — диалоговая языковая модель, созданная Radu1999 с помощью слияния методом SLERP модели mistralai/Mistral-7B-Instruct-v0.2 и украинской модели Mistral-Instruct-Ukrainian-SFT-DPO. Она предназначена для генерации текста и ответов на инструкции в формате диалога, с акцентом на украинский язык. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Прикладная задача — текстовая генерация; файлы модели доступны в формате Safetensors. Лицензия — Apache 2.0. Качество ответов и следования инструкциям может зависеть от запроса; модель ориентирована на украинский язык, поэтому её результаты на других языках могут быть менее надёжными. README не приводит оценок качества или подробных результатов тестирования.

Mistral-portuguese-luana-7b — диалоговая языковая модель на 7,1 млрд параметров, созданная Rhaymison Cristian дообучением Mistral-7B-Instruct-v0.2 на наборе примерно из 200 тысяч инструкций на португальском языке. Она предназначена прежде всего для выполнения инструкций и генерации ответов на португальском языке. Модель использует плотную архитектуру MistralForCausalLM, принимает текст и генерирует текст. Контекст составляет до 32 768 токенов. Для запуска доступны веса Transformers в формате safetensors; README также упоминает отдельные варианты GGUF. Для ограниченной видеопамяти автор рекомендует 4- или 8-битную загрузку. Модель ориентирована на португалоязычные запросы общего назначения. В README приведены результаты Open Portuguese LLM Leaderboard, включая средний балл 64,27, ENEM Challenge и BLUEX; эти оценки не гарантируют качество на других задачах. Лицензия — Apache-2.0.

NeuralSpanish-7b-v1 — объединённая языковая модель автора Kukedlc, созданная с помощью LazyMergekit на основе четырёх испаноязычных моделей семейства Mistral. Это плотная авторегрессионная модель MistralForCausalLM на 7,1 млрд параметров с контекстом до 32 768 токенов; она предназначена для генерации текста на испанском языке. Весовые файлы опубликованы в формате safetensors. Модель подходит для создания испаноязычных ответов и продолжения текста в приложениях на базе генеративных языковых моделей. README не описывает сравнительные результаты или специальные возможности отдельных сценариев. Лицензия в предоставленных данных не указана.

NorMistral-11b-translate — дообученная языковая модель для машинного перевода, созданная на базе NorMistral-11b-long. Она переводит предложения и документы во всех шести направлениях между норвежским букмолом, норвежским нюнорском и английским языком. Модель построена на архитектуре Mistral, содержит 11,7 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Для работы с ней используется библиотека Transformers; веса доступны в форматах PyTorch и Safetensors. Модель подходит для перевода текстов между двумя вариантами норвежского и английским, включая перевод документов и диалоговых текстов. Она распространяется по лицензии Apache-2.0. Оценки качества и сведения о конкретных ограничениях в карточке не приведены.

Модель разработана пользователем saksornr и дообучена на базе openthaigpt/openthaigpt-1.0.0-7b-chat. Это плотная причинно-языковая модель семейства Llama с 6,6 млрд параметров, представленная в формате Safetensors; при обучении использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста и инструкционного диалога. В метаданных указан контекст до 4096 токенов и английский язык. Лицензия Apache-2.0. Карточка не описывает обучающие данные и конкретную специализацию дообучения, поэтому пригодность для отдельных предметных областей по ней определить нельзя.

Helsinki-NLP/opus-mt-de-uk — модель машинного перевода из серии OPUS-MT, разработанной Helsinki-NLP. Она переводит текст с немецкого на украинский и обратно не предназначена: направление перевода задано от немецкого к украинскому. Модель построена на архитектуре Marian Transformer и содержит 57,2 млн параметров; для обработки текста применяется нормализация и токенизация SentencePiece с моделью на 32 тыс. токенов. Длина контекста — 512 токенов. Модель подходит для перевода отдельных фраз и текстов с немецкого на украинский. В README приведён результат BLEU 40,2 на тестовом наборе Tatoeba для этой языковой пары. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache 2.0.

Helsinki-NLP/opus-mt-fr-uk — модель машинного перевода семейства Marian, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с французского языка на украинский. Модель построена на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece; число параметров составляет 56,9 млн, а длина контекста — до 512 токенов. Модель подходит для перевода фраз и текстов общего назначения с французского на украинский. В README приведён результат BLEU 39,4 на тестовом наборе Tatoeba.fr.uk. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-hu-en — модель машинного перевода с венгерского на английский из проекта OPUS-MT, опубликованная Helsinki-NLP. Это трансформер MarianMT с архитектурой transformer-align, обученный на данных OPUS; в репозитории представлены веса PyTorch и TensorFlow. Для предобработки используются нормализация текста и SentencePiece. Размер модели — 57,2 млн параметров, заявленная длина контекста — 512 токенов. Модель предназначена для перевода венгерских текстов на английский. В README приведены результаты на наборе Tatoeba.hu.en: BLEU 52,9 и chr-F 0,683. Эти показатели относятся к указанному тестовому набору и не гарантируют такое же качество для других типов текстов. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-pl-ar — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMTModel. Она переводит текст с польского на арабский; карточка также указывает вариант арабского arz. Модель содержит 58,4 млн параметров и имеет контекст длиной 512 токенов. Перед переводом текст проходит нормализацию и токенизацию SentencePiece. Для выбора целевого языка требуется начальный токен вида >>id<< с допустимым кодом языка. В тесте Tatoeba для пары польский—арабский указаны BLEU 20,4 и chr-F 0,491. Модель распространяется по лицензии Apache-2.0; доступны форматы PyTorch и TensorFlow.

Helsinki-NLP/opus-mt-uk-fr — модель машинного перевода из семейства OPUS-MT, созданная Helsinki-NLP. Она переводит текст с украинского языка на французский и основана на архитектуре Transformer-align с предобработкой нормализацией и SentencePiece. Модель содержит 56,9 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель предназначена для перевода фраз и текстов с украинского на французский; в карточке приведены результаты оценки на наборе Tatoeba.uk.fr: BLEU 52,1 и chr-F 0,681. Лицензия — Apache-2.0. Описана только пара направлений украинский → французский, поэтому качество перевода для других языков не заявлено.

Helsinki-NLP/opus-mt-vi-it — модель машинного перевода, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с вьетнамского на итальянский и предназначена для перевода отдельных фраз и текстов. Модель построена на архитектуре Marian (MarianMTModel), использует Transformer с выравниванием, нормализацию и SentencePiece с токенизаторами размером 32 тыс. параметров. В метаданных указано 55,1 млн параметров и контекст 512 токенов. В тесте Tatoeba для пары вьетнамский—итальянский указаны BLEU 31,2 и chr-F 0,548. Модель поддерживает перевод в одном направлении: с вьетнамского на итальянский; итальянский→вьетнамский этой карточкой не заявлен. Распространяется по лицензии Apache-2.0.

Aleteian/PersonalitySaiga — языковая модель для генерации текста и диалогов, созданная слиянием нескольких предварительно обученных моделей с помощью mergekit и метода TIES. В качестве базовой использована win10/Mistral-Nemo-abliterated-Nemo-Pro-v2; в слияние также вошли PocketDoc/Dans-PersonalityEngine-V1.1.0-12b, Sao10K/MN-BackyardAI-Party-12B-v1 и IlyaGusev/saiga_nemo_12b. Модель построена на плотной архитектуре MistralForCausalLM и содержит 12,1 млрд параметров. Она предназначена для генерации текста и разговорных сценариев, включая ролевое взаимодействие и продолжение диалога. В метаданных указано окно контекста до 1 024 000 токенов; доступны веса в формате safetensors и поддержка через Transformers. Основной язык модели — английский, согласно описанию базовой модели. Модель унаследовала особенности объединённых чекпойнтов, поэтому фактическое качество и поведение могут различаться в зависимости от запроса. Лицензия в предоставленных данных не указана.

bunnycore/Phi-3.5-Mini-ChatML — текстовая диалоговая модель на архитектуре Phi-3.5 Mini, созданная объединением нескольких моделей методом Model Stock с помощью mergekit. В состав объединения вошли варианты Phi-3.5 Mini для ролевого общения и ChatML, некensored-вариант Phi-3.5 Mini Instruct, а также модели и адаптеры EvolKit и System. Модель содержит 3,7 млрд параметров, принимает текст и генерирует текст в формате диалога; заявленный контекст — 4096 токенов. Модель подходит для ведения диалогов и ролевых сценариев на английском языке. Веса представлены в формате safetensors и типе bfloat16; для использования предусмотрена библиотека Transformers. Лицензия в предоставленных данных не указана.

adalbertojunior/Qwen1.5-32B-Dolphin-Portuguese-v0.1 — разговорная языковая модель для генерации текста на португальском языке. Карточка содержит результаты оценки на Open Portuguese LLM Leaderboard, включая тесты ENEM Challenge и BLUEX, но не называет разработчика и не описывает обучение модели. Модель имеет плотную архитектуру класса LlamaForCausalLM и около 31,7 млрд параметров. Она принимает текст и генерирует текст; заявленное родное окно контекста составляет 32 768 токенов. Метаданные указывают поддержку чата и использование Transformers с весами safetensors. Результаты на португальских тестах указывают на ориентацию на задачи и знания, связанные с португалоязычной средой. Информация о лицензии, точных языках обучения, происхождении весов и ограничениях в карточке отсутствует; оценочные баллы сами по себе не гарантируют качество ответов в прикладных сценариях.

Карточка модели jaeyong2/Qwen2.5-7B-Instruct-Ja-SFT на Hugging Face совпадает с карточкой jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT, поэтому описание составлено по ней. jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT — дообученная авторами репозитория на тайском языке инструктивная языковая модель на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалогов и генерации ответов по инструкциям; метаданные также указывают интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Указанные языки — тайский и английский. Модель загружается через Transformers, веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о данных дообучения, оценках качества или ограничениях, поэтому пригодность для конкретного сценария следует проверять самостоятельно.